宮德鋒 王振華 柴穎 張桂芹 郝福友

摘 要： 近年來，隨著二級變電站新建需求的提升，如何對設(shè)備進(jìn)行全面管理不僅對于變電站監(jiān)視和規(guī)劃目的特別有用，而且對于設(shè)備錯誤檢測的測量也是特別有用的;同時通過監(jiān)控信息可對負(fù)荷進(jìn)行預(yù)測，可幫助電力公司作出關(guān)于電量采購的決策。短期負(fù)荷預(yù)測（Short Term Load Forecasting，STLF）要在從一小時到一周的范圍內(nèi)預(yù)測電力負(fù)荷，從而可判斷變電站運(yùn)行是否正常。為此提出了一種新的基于STLF的方法來解決新建變電站在驗(yàn)收過程中通過監(jiān)控信息手段檢測測量設(shè)備引入的增益和偏移誤差，并通過實(shí)驗(yàn)驗(yàn)證了該方法可獲取不同的增益和偏移誤差。

關(guān)鍵詞： 變電站; 設(shè)備錯誤檢測; 短期負(fù)荷預(yù)測; 監(jiān)控信息驗(yàn)收

中圖分類號： TP393 ? ? ?文獻(xiàn)標(biāo)志碼： A

Research on Monitoring Information Acceptance System of New Substations

GONG Defeng1， WANG Zhenhua1， CHAI Ying1， ZHANG Guiqin1， HAO Fuyou2

（1. State Grid Tai An power supply Co. Ltd.， Taian 271000; 2. Shandong AnXinYuan

Information Technology Co. Ltd.， Jinan 250100）

Abstract： In recent years， with the increase of new requirements for secondary substations， how to comprehensively manage equipment is not only useful for substation monitoring and planning purposes， but also for the measurement of equipment error detection. At the same time， the load can be monitored by monitoring information. Forecasting can help power companies make decisions about power purchases. Short term load forecasting （STLF） allows the power load to be predicted from one hour to one week to determine whether the substation is operating normally. In this paper， a new STLF-based method is proposed to solve the gain and offset error introduced by the monitoring equipment during the acceptance process of a new substation. The experimental results show that the method can obtain different gain and offset errors.

Key words： Substation; Equipment error detection; Short term load forecasting; Monitoring information acceptance

0 引言

在過去的幾十年中，通信和信息技術(shù)的重大進(jìn)步加速了電力系統(tǒng)中新的寬帶通信技術(shù)的開發(fā)和引入，這一事實(shí)促進(jìn)了一級和二級變電站的電力系統(tǒng)自動化，IEC 61850變電站自動化全球標(biāo)準(zhǔn)的制定推進(jìn)了電子系統(tǒng)自動化的快速發(fā)展。

如今，電子儀器傳感器（Electronic Instrumental Transducer，EIT）的發(fā)展以及通信和信息技術(shù)的重要性正逐漸被變電站自動化系統(tǒng)所接受。不同的EIT執(zhí)行必要的電流和電壓測量，用于控制和保護(hù)變電站運(yùn)行，然而，這種方法帶來的問題是可能會受到信號采集過程中錯誤測量的負(fù)面影響。另一方面，負(fù)載曲線以及電流消耗與其歷史測量數(shù)據(jù)強(qiáng)烈相關(guān)，該結(jié)果取決于不同的變量，例如經(jīng)濟(jì)因素和環(huán)境數(shù)據(jù)等。

在本文中，通過使用負(fù)荷預(yù)測（Load Forecasting，LF）技術(shù)并將預(yù)測負(fù)荷與二級變電站中的測量設(shè)備的負(fù)荷預(yù)測負(fù)荷進(jìn)行比較，可以估計不同的系統(tǒng)誤差水平，即增益和偏移誤差。本文所研究的工作主要包含兩個方面：1）短期負(fù)荷預(yù)測;2）變電站運(yùn)行錯誤的測量檢測。國內(nèi)外對于該方面的研究如下：變電站運(yùn)行預(yù)測模型的研究已經(jīng)應(yīng)用于風(fēng)電預(yù)測[1]及光伏發(fā)電預(yù)測[2]，負(fù)荷預(yù)測涉及根據(jù)有關(guān)系統(tǒng)狀態(tài)的可用信息估算預(yù)測范圍的未來電力負(fù)荷。在這方面，本文側(cè)重于短期負(fù)荷預(yù)測（Short Team Load Forecasting，STLF），以估計從一小時到一周的負(fù)荷，文獻(xiàn)[3]中提出一種新的基于修改學(xué)習(xí)算法的STLF神經(jīng)網(wǎng)絡(luò)方法，并經(jīng)過比較有較好的預(yù)測結(jié)果;在文獻(xiàn)[4]中，作者提出了基于三階段結(jié)構(gòu)的微電網(wǎng)STLF的解決方案，該結(jié)構(gòu)由自組織映射（Self Organizing Map，SOM），通過k均值算法的聚類和多層感知器（Multilayer Perceptron，MLP）組成，通過向MLP提供了一組29個輸入：其中24個輸入代表前一天的每小時負(fù)荷;其中2個輸入代表前一周中某一天的兩個輸入;其中2個輸入代表前一天的兩個輸入，分別以正弦和余弦的形式輸入;最后，還有一個輸入表示第二天的總負(fù)載估算。從而獲取對應(yīng)于預(yù)測日（d）的估計負(fù)荷的總共24個輸出。

在文獻(xiàn)[5]中，提出了一種提前一天的負(fù)荷分布預(yù)測方法，通過采用人工神經(jīng)網(wǎng)絡(luò)（ANN），預(yù)測誤差的平均絕對百分比在0.5%和16%之間降低。ANN的輸入取決于實(shí)施的模型。對于變電站運(yùn)行錯誤的檢測，利用模式識別來實(shí)現(xiàn)錯誤的檢測，為了在保護(hù)系統(tǒng)施加的時間限制內(nèi)實(shí)現(xiàn)高模式識別精度，實(shí)現(xiàn)了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBFNN）和正交最小二乘（OLS）學(xué)習(xí)算法。為了提供一種檢測特定二級變電站中EIT故障的方法，本文提出了一種基于STLF的測量誤差檢測的新方法，該方法極大地便于檢測增益和偏移誤差，從而允許執(zhí)行二級變電站中的預(yù)防性維護(hù)。特別是，本文提出的系統(tǒng)可以有效地應(yīng)用于新建變電站的監(jiān)控信息驗(yàn)收過程中，通過將智能計量與網(wǎng)格自動化相結(jié)合，在EIT運(yùn)行時，開發(fā)的系統(tǒng)允許檢測錯誤;如果出現(xiàn)高于閾值的錯誤級別，則可以發(fā)出警報并將其發(fā)送到控制中心，然后，操作員可以進(jìn)行用于驗(yàn)證錯誤范圍的進(jìn)一步測試。

1 系統(tǒng)架構(gòu)及方法介紹

在本節(jié)中，對系統(tǒng)的通用總體架構(gòu)進(jìn)行了概述，如圖1所示為基于短期負(fù)荷預(yù)測的系統(tǒng)測量誤差檢測系統(tǒng)架構(gòu)圖。信息來源主要源自不同的二級變電站的歷史測量值，包含的測量參數(shù)（電氣變量）為：有功和無功功率，電壓和電流。但是，對于所研究的系統(tǒng)，僅考慮當(dāng)前的歷史測量，這是因?yàn)橛捎陔娏鞯南喈?dāng)大的可變性，用于電流測量的設(shè)備更容易出錯[5-7]。

該測量過程分為兩個步驟：負(fù)荷預(yù)測和誤差估計。首先，通過數(shù)據(jù)推測出一天內(nèi)各小時的負(fù)荷值;其次，一旦所考慮一天內(nèi)的測量負(fù)載可用，則通過比較兩個數(shù)據(jù)集（即，預(yù)測和測量的負(fù)載）來估計誤差水平。

1.1 負(fù)荷預(yù)測

如前所述，負(fù)荷預(yù)測模型僅使用歷史測量數(shù)據(jù)，其包括來自一組二級變電站的實(shí)際測量值。主要對以下值進(jìn)行估算（即每小時估算的負(fù)荷情況）：

·前一天的24小時的負(fù)荷值（d-1）

·前一周24小時的負(fù)荷值（w-1）（d）

·當(dāng)天前兩周24小時得負(fù)荷值（w-2）（d）

因此，使用對應(yīng)于每小時負(fù)載的總共72個樣本。由于72個樣本之間存在強(qiáng)相關(guān)性，因此可以使用主成分分析（Principal Component Analysis，PCA）程序來減少維數(shù)。該技術(shù)已成功應(yīng)用于不同領(lǐng)域，如人臉識別，語音處理和超聲波傳感器等領(lǐng)域。PCA的基本原理是采用統(tǒng)計的概念，將一組原始變量線性轉(zhuǎn)換為一組較小的不相關(guān)變量，這些變量代表了與多變量輸入數(shù)據(jù)的最大方差。

PCA算法已在文獻(xiàn)[8]中進(jìn)行了描述。給定具有維度M×N的矩陣X，第一步包括從該行的每個元素中減去特定行中的元素的平均值;然后，獲得來自前一矩陣的具有減法均值的協(xié)方差矩陣（N×N），并計算該矩陣的特征向量和特征值。具有最高特征值的特征向量表示主成分——k，并且需要確定主成分的數(shù)量。對應(yīng)于主成分的特征向量集形成特征矩陣V，表示如式（1）所示：V=[λ1，λ2，…，λk]（N×k）

（1） ?最后，通過將轉(zhuǎn)置的特征矩陣與先前計算的轉(zhuǎn)置的零均值矩陣相乘得到新的壓縮矩陣Y，表示如式（2）所示：Y=[VT·T]（k×M）

（2） ?PCA過程產(chǎn)生的主要組成部分是人工神經(jīng)網(wǎng)絡(luò)的輸入以及代表星期幾和一年中的月份的數(shù)據(jù)。 如圖2所示為系統(tǒng)的功能圖[9]。

如前所述，一組72維數(shù)據(jù)提供了預(yù)測過程的歷史信息。由于輸入之間的強(qiáng)相關(guān)性，該數(shù)據(jù)集可以用僅保留97%信息的幾個最重要的組件來描述，即，所選擇的主要組件的方差的97%。 在本文討論的系統(tǒng)中，主成分的數(shù)量取決于輸入數(shù)據(jù)是來自模擬器還是來自實(shí)際測量。

1.2 錯誤測量

一旦執(zhí)行了負(fù)荷預(yù)測并且可以獲得當(dāng)天（d）的新測量值，就可以開始針對不同EIT的誤差測量檢測過程，可分為兩種不同的誤差類型，即：偏移和增益誤差。

偏移誤差以系統(tǒng)的方式影響每個采集的樣本，因此它們可以質(zhì)疑二級變電站中測量的準(zhǔn)確性，將百分比偏移誤差與滿量程進(jìn)行比較，如圖3所示為由偏移引起的負(fù)載測量偏差。

與偏移誤差不同的是，增益誤差是乘法的，并按比例影響所有的測量值，如圖4所示為一個比較測量，預(yù)測和理想的負(fù)載在一段時間內(nèi)的七天-10%的增益誤差百分比。

2 模擬和實(shí)驗(yàn)結(jié)果

為了測試本文多提系統(tǒng)在新建變電站監(jiān)控信息驗(yàn)收過程中的性能，使用了兩種不同的數(shù)據(jù)集，即：來自模擬仿真過程的模擬數(shù)據(jù)集和來自二級變電站的實(shí)際數(shù)據(jù)。其中模擬數(shù)據(jù)集提供四種測量：有功和無功功率、電壓和電流。本文以基于電流測量的方式實(shí)現(xiàn)運(yùn)行負(fù)荷預(yù)測。

兩個數(shù)據(jù)集都包含以不同頻率采集的數(shù)據(jù)，但是它們以相同的方式進(jìn)行分析，因?yàn)閮H考慮每小時平均值。然后，將數(shù)據(jù)集分成三組：（i）訓(xùn)練子集（70%），用于訓(xùn)練ANN;（ii）驗(yàn)證子集（15%）用于確保網(wǎng)絡(luò)泛化并在過度擬合之前停止訓(xùn)練;（iii）用于完全獨(dú)立的網(wǎng)絡(luò)泛化測試的測試子集（15%）。在數(shù)據(jù)集中過程中注入不同的偏移和增益誤差值，然后對其進(jìn)行檢驗(yàn)，同樣，訓(xùn)練時間取決于數(shù)據(jù)是模擬的還是真實(shí)的。這源于模擬數(shù)據(jù)更相關(guān)的事實(shí)，因此需要更少的主成分，實(shí)驗(yàn)基于MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行。

以下實(shí)驗(yàn)結(jié)果圖描繪了從針對模擬數(shù)據(jù)測試所描述的系統(tǒng)獲得的結(jié)果。如圖5所示為兩年期間（730天-17，520次測量）記錄的所有測量值;如圖6所示為第d天的24小時預(yù)報負(fù)荷和同一天的實(shí)際測量值，顯然它們之間的誤差可以忽略不計。

在圖7和圖8中，分別注入b偏移和增益測量誤差，并且應(yīng)用該系統(tǒng)來識別誤差水平。 可以看出，成功檢測到不同的增益誤差值（-10%～0%）和偏移（0%～10%）。

3 總結(jié)

檢測電子儀器傳感器中的測量誤差在二級變電站自動化中發(fā)揮重要作用。通過對EIT錯誤的發(fā)展降低變電站運(yùn)營安全，同時對新建變電站的驗(yàn)收過程中提供數(shù)據(jù)支撐。本文提出了一種基于短期負(fù)荷預(yù)測（STLF）的測量誤差檢測方法，從EIT獲得的歷史測量值以及與日期和月份相關(guān)的數(shù)據(jù)是ANN的輸入，目的是獲得所考慮日期的預(yù)測測量值，然后比較實(shí)際和預(yù)測測量值，以便獨(dú)立地檢測偏移和增益誤差水平。

參考文獻(xiàn)

[1] Giorgi M G D， Campilongo S， Ficarella A， et al. Comparison Between Wind Power Prediction Models Based on Wavelet Decomposition with Least-Squares Support Vector Machine （LS-SVM） and Artificial Neural Network （ANN）[J]. Energies， 2014， 7（8）：5251-5272.

[2] De Giorgi M G， Congedo P M， Malvoni M. Photovoltaic power forecasting using statistical methods： impact of weather data[J]. Iet Science Measurement & Technology， 2014， 8（3）：90-97.

[3] Amjady， Keynia， Farshid. A New Neural Network Approach to Short Term Load Forecasting of Electrical Power Systems[J]. Energies， 2011（4）：488-503.

[4] Hernandez L， Baladrón C， Aguia J.M， et al. Short-Term Load Forecasting for Microgrids Based on Artificial Neural Networks[J]. Energies 2013（6）： 1385-1408.

[5] 張婷，呂曉平，石菊增，等.變電站監(jiān)控信息驗(yàn)收規(guī)范化建設(shè)的探討與研究[J].電子測試，2017（16）：120-121.

[6] 林昭.變電站監(jiān)控信息流管控機(jī)制的構(gòu)建[J].機(jī)電信息，2017（27）：147-148.

[7] 王磊，葉剛，隋石妍.仿真主站在智能變電站二次系統(tǒng)調(diào)試中的應(yīng)用[J].電力科學(xué)與工程，2017，33（8）：43-47.

[8] Lim S T， Yap D F W， Manap N A. Medical image compression using block-based PCA algorithm[C]// International Conference on Computer， Communications， and Control Technology. IEEE， 2014：171-175.

[9] 韓振峰. 智能變電站監(jiān)控系統(tǒng)調(diào)試驗(yàn)收方法的研究[D].濟(jì)南：山東大學(xué)，2017.

（收稿日期： 2018.12.12）

基金項目：國網(wǎng)山東省電力公司科技項目資助

作者簡介：宮德鋒（1973-），男，泰安人，高級工程師，研究方向：電力系統(tǒng)及自動化。

王振華（1987-），男，泰安人，碩士研究生，中級工程師，主要研究方向：電力系統(tǒng)及自動化。

柴穎（1974-），女，泰安人，工程師，研究方向：電網(wǎng)調(diào)度運(yùn)行與監(jiān)控。

張桂芹（1978-），女，泰安人，工程師，研究方向：電力系統(tǒng)及自動化。

郝福友（1986-），男，濟(jì)寧，工程師，研究方向：計算機(jī)科學(xué)與技術(shù)。文章編號：1007-757X（2020）02-0090-03